
218
|
第
7
章
离,但这已经说明了分类变量趋向于聚集在类中。
图 7-13:对具有多种类型变量的贷款拖欠数据样本应用
hclust
所生成的树状图
7.5.4
混合数据的聚类问题
K
-Means
和主成分分析最适合用于连续变量。对于较小的数据集,使用基于高氏距离的层
次聚类更好。从原理上看,
K
-Means
完全适用于二元数据和分类数据。我们通常会使用
“独热编码”(参见
6.1.3
节),将分类数据转换为数值型数据。然而在实践中,很难对二元
数据应用
K
-Means
和主成分分析。
如果使用标准的
z
分数,那么二元变量将会主导聚类的定义。这是因为
0/1
变量只有两个
值,而
K
-Means
是通过将所有的
0
或
1
记录指定给聚类,获得较小的类内平方和。例如,
下面我们将 kmeans 函数应用于具有因子变量 home 和 pub_rec_zero 的贷款拖欠数据。
df <- model.matrix(~ -1 + dti + payment_inc_ratio + home + pub_rec_zero,
data = defaults)
df0 <- scale(df)
km0 <- kmeans(df0, centers=4, nstart=10)
centers0 <-scale(km0$centers, center=FALSE,
scale=1/attr(df0, 'scaled:scale'))
round(scale(centers0, center=-attr(df0, 'scaled:center'), ...